风险监控方法、装置、存储介质及电子设备制造方法及图纸

本申请提供一种风险监控方法、装置、存储介质及电子设备，用以提高有监督学习模型的风险区分能力，该风险监控方法包括：获取样本数据；所述样本数据中各数据关联同一类型事件；根据所述样本数据执行以下操作：从所述样本数据中提取已训练的有监督学习模型所需要的数据特征；按照与所述有监督学习模型对应的聚类规则对所述样本数据进行聚类学习并确定第一最终聚类结果；将所述样本数据、所述数据特征和所述第一最终聚类结果提供给所述有监督学习模型，由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果对所述样本数据中各个数据对应的事件进行风险分析。

【技术实现步骤摘要】
风险监控方法、装置、存储介质及电子设备
本申请涉及数据处理
，尤其涉及一种风险监控方法、装置、存储介质及电子设备。
技术介绍
随着电子技术和互联网技术的发展，在线支付、自动转账、银行卡消费、第三方支付平台支付等支付方式越来越渗透到生活中的方方面面，例如线上电商、线下超市、打车等，由于不是现金交易，因此不可避免的会带来支付风险。目前为了对支付风险进行风险监控，在支付场景中引入了风险监控方法。传统的风险监控方法一般先提取样本数据的数据特征，然后采用有监督学习模型根据提取到的数据特征对样本数据中各个数据进行风险分析，而采用该方法提取到的数据特征不够完善，从而造成有监督学习模型的风险区分能力不是很高。
技术实现思路
有鉴于此，本申请提供一种风险监控方法、装置、存储介质及电子设备，用以提高有监督学习模型的风险区分能力。第一方面，本申请实施例提供了一种风险监控方法，所述方法包括：获取样本数据；所述样本数据中各数据关联同一类型事件；根据所述样本数据执行以下操作：从所述样本数据中提取已训练的有监督学习模型所需要的数据特征；按照与所述有监督学习模型对应的聚类规则对所述样本数据进行聚类学习并确定第一最终聚类结果；将所述样本数据、所述数据特征和所述第一最终聚类结果提供给所述有监督学习模型，由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果对所述样本数据中各个数据对应的事件进行风险分析。上述风险监控方法，在利用已训练的有监督学习模型对样本数据中各个数据对应的事件进行风险分析之前，加入了聚类学习，然后将聚类学习确定的第一最终聚类结果提供给已训练的有监督学习模型，这样第一最终聚类结果也可作为特征以帮助有监督学习模型对样本数据中各个数据对应的事件进行风险分析，因此可以提高有监督学习模型的风险区分能力。在一可能的实现方式中，所述按照与所述有监督学习模型对应的聚类规则对所述样本数据进行聚类学习并确定第一最终聚类结果，包括：至少按一种与所述有监督学习模型对应的设定尺寸的特征区间将所述样本数据划分为数据块，不同尺寸的所述特征区间包含不同数量的特征；对每一所述数据块采用基于密度的聚类算法DBSCAN进行聚类学习并确定聚类结果；根据每一所述数据块的聚类结果确定第一最终聚类结果。该方法中，基于特征将样本数据划分为数据块，然后计算每一数据块的聚类结果并作为特征提供给有监督学习模型，以此增加提供给有监督学习模型的特征，因此可以提高有监督学习模型的风险区分能力。在一可能的实现方式中，所述根据每一所述数据块的聚类结果确定第一最终聚类结果，包括：将各种设定尺寸的特征区间对应的各个数据块进行合并，并至少按一种与所述有监督学习模型对应的设定尺寸的数据块区间将合并后的所有数据块划分为数据块组，或者至少按一种与所述有监督学习模型对应的设定尺寸的数据块区间分别将每一种设定尺寸的特征区间对应的所有数据块划分为数据块组，不同尺寸的所述数据块区间包含不同数量的数据块；对每一所述数据块组中的所有数据块的聚类结果采用DBSCAN进行聚类学习并确定聚类结果；将每一所述数据块的聚类结果和每一所述数据块组的聚类结果合并得到第一最终聚类结果。该方法中，基于数据块进一步将样本数据划分为数据块组，然后对每一数据块组中所有数据块的聚类结果进行聚类学习以确定该数据块组的聚类结果，并将数据块组的聚类结果也作为特征提供给有监督学习模型，以此增加提供给有监督学习模型的特征，因此可以进一步提高有监督学习模型的风险区分能力。在一可能的实现方式中，所述由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果对所述样本数据中各个数据对应的事件进行风险分析，包括：由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果确定所述样本数据中各个数据对应的事件的风险概率；根据风险概率的大小对所述样本数据中各个数据对应的事件进行排序，将排序后预设数量的风险概率大的事件列为风险事件；或者将风险概率大于预设阈值的事件列为风险事件。在一可能的实现方式中，所述已训练的有监督学习模型为多个，针对每一个已训练的有监督学习模型执行所述操作；所述由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果对所述样本数据中各个数据对应的事件进行风险分析，包括：由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果确定所述样本数据中各个数据对应的事件的风险概率；该方法进一步包括：针对所述样本数据中每一个数据对应的事件，取由各已训练的有监督学习模型各自确定的该事件的风险概率的平均值作为该事件的风险概率；根据风险概率的大小对所述样本数据中各个数据对应的事件进行排序，将排序后预设数量的风险概率大的事件列为风险事件；或者将风险概率大于预设阈值的事件列为风险事件。该方法中，将各已训练的有监督学习模型确定的风险分析结果进行了融合，因此最终获得的风险分析结果更准确。在一可能的实现方式中，该方法进一步包括：获取带有标签的训练数据集；所述训练数据集中部分数据为新风险模式的训练数据；利用已构建的特征组件从所述训练数据集中提取所需要的训练数据特征；按照预设聚类规则利用已构建的聚类组件对所述训练数据集进行聚类学习并确定第二最终聚类结果；根据所述训练数据集、所述训练数据特征和所述第二最终聚类结果对所述有监督学习模型进行迭代。在一可能的实现方式中，该方法进一步包括：比较迭代前后有监督学习模型的风险区分能力；若迭代后的有监督学习模型的风险区分能力强于迭代前的有监督学习模型的风险区分能力，则用迭代后的有监督学习模型替换迭代前的有监督学习模型；若迭代后的有监督学习模型的风险区分能力弱于迭代前的有监督学习模型的风险区分能力，则保留迭代前的有监督学习模型。该方法中，将迭代前后的有监督学习模型的风险区分能力进行比对，保留风险区分能力强有监督学习模型，因此具备更强的泛化能力。第二方面，本申请实施例还提供了一种风险监控装置，包括用于执行第一方面或第一方面的任意可能的实现方式中的风险监控方法的模块。第三方面，本申请实施例还提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面或第一方面的任意可能的实现方式中的风险监控方法的步骤。第四方面，本申请实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面或第一方面的任意可能的实现方式中的风险监控方法的步骤。附图说明图1为本申请实施例提供的第一种风险监控方法的流程示意图；图2为本申请实施例提供的第二种风险监控方法的流程示意图；图3为本申请实施例提供的第三种风险监控方法的流程示意图；图4为本申请实施例提供的风险监控装置的第一种结构示意图；图5为本申请实施例提本文档来自技高网...

【技术保护点】
1.一种风险监控方法，其特征在于，所述方法包括：/n获取样本数据，所述样本数据中各数据关联同一类型事件；/n根据所述样本数据执行以下操作：/n从所述样本数据中提取已训练的有监督学习模型所需要的数据特征；/n按照与所述有监督学习模型对应的聚类规则对所述样本数据进行聚类学习并确定第一最终聚类结果；/n将所述样本数据、所述数据特征和所述第一最终聚类结果提供给所述有监督学习模型，由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果对所述样本数据中各个数据对应的事件进行风险分析。/n

【技术特征摘要】
1.一种风险监控方法，其特征在于，所述方法包括：
获取样本数据，所述样本数据中各数据关联同一类型事件；
根据所述样本数据执行以下操作：
从所述样本数据中提取已训练的有监督学习模型所需要的数据特征；
按照与所述有监督学习模型对应的聚类规则对所述样本数据进行聚类学习并确定第一最终聚类结果；
将所述样本数据、所述数据特征和所述第一最终聚类结果提供给所述有监督学习模型，由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果对所述样本数据中各个数据对应的事件进行风险分析。


2.根据权利要求1所述的风险监控方法，其特征在于，所述按照与所述有监督学习模型对应的聚类规则对所述样本数据进行聚类学习并确定第一最终聚类结果，包括：
至少按一种与所述有监督学习模型对应的设定尺寸的特征区间将所述样本数据划分为数据块，不同尺寸的所述特征区间包含不同数量的特征；
对每一所述数据块采用基于密度的聚类算法DBSCAN进行聚类学习并确定聚类结果；
根据每一所述数据块的聚类结果确定第一最终聚类结果。


3.根据权利要求2所述的风险监控方法，其特征在于，所述根据每一所述数据块的聚类结果确定第一最终聚类结果，包括：
将各种设定尺寸的特征区间对应的各个数据块进行合并，并至少按一种与所述有监督学习模型对应的设定尺寸的数据块区间将合并后的所有数据块划分为数据块组，或者至少按一种与所述有监督学习模型对应的设定尺寸的数据块区间分别将每一种设定尺寸的特征区间对应的所有数据块划分为数据块组，不同尺寸的所述数据块区间包含不同数量的数据块；
对每一所述数据块组中的所有数据块的聚类结果采用DBSCAN进行聚类学习并确定聚类结果；
将每一所述数据块的聚类结果和每一所述数据块组的聚类结果合并得到第一最终聚类结果。


4.根据权利要求1所述的风险监控方法，其特征在于，所述由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果对所述样本数据中各个数据对应的事件进行风险分析，包括：
由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果确定所述样本数据中各个数据对应的事件的风险概率；
根据风险概率的大小对所述样本数据中各个数据对应的事件进行排序，将排序后预设数量的风险概率大的事件列为风险事件；或者
将风险概率大于预设阈值的事件列为风险事件。


5.根据权利要求1所述的风险监控方法，其特征在于，所述已训练的有监督学习模型为多个，针对每一个已训练的有监督学习模型执行所述操作；
所述由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果对所述样本数据中各个数据对应的事件进行风险分析，包括：
由所述有监督学习模型根据所述数据特征和所述第一最终聚类结果确定所述样本数据中各个数据对应的事件的风险概率；
该方法进一步包括：
针对所述样本数据中每一个数据对应的事件，取由各已训练的有监督学习模型各自确定的该事件的风险概率的平均值作为该事件的风险概率；
根据风险概率的大小对所述样本数据中各个数据对应的事件进行排序，将排序后预设数量的风险概率大的事件列为风险事件；或者
将风险概率大于预设阈值的事件列为风险事件。


6.根据权利要求1所述的风险监控方法，其特征在于，该方法进一步包括：
获取带有标签的训练数据集；所述训练数据集中部分数据为新风险模式的训练数据；
利用已构建的特征组件从所述训练数据集中提取所需要的训练数据特征；
按照预设聚类规则利用已构建的聚类组件对所述训练数据集进行聚类学习并确定第二最终聚类结果；
根据所述训练数据集、所述训练数据特征和所述第二最终聚类结果对所述有监督学习模型进行迭代。


7.根据权利要求6所述的风险监控方法，其特征在于，该方法进一步包括：
比较迭代前后有监督学习模型的风险区分能力；
若迭代后的有监督学习模型的风险区分能力强于迭代前的有监督学习模型的风险区分能力，则用迭代后的有监督学习模型替换迭代前的有监督学习模型；
若迭代后的有监督学习模型的风险区分能力弱于迭代前的有...

【专利技术属性】
技术研发人员：李国琪，姜伟浩，浦世亮，闫春，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33